因为处理量的增大，之前在本地linux上的一套tf-faster-rcnn的代码需要被移动到更高的环境下（之前是gtx1080ti的单显卡，目标机器是一台gtxtitanv的双显卡），我本以为移动会很简单

在前两篇博客中我们分别[配置了环境](https://blog.csdn.net/King_key/article/details/84781608)和进行了[demo的测试](https://blog.csdn.net/King_key/article/details/84900581),接下来我们训练自己的图像数据并进行检测.###(1)制作数据集我们采用VOC2007的数据模板,进行数据制作

训练模型下载预训练模型和权重：该程序目前支持VGG16和ResnetV1(包括50\101\152)网络结构，这4种网络结构都经过了ImageNet数据集的预训练，其预训练模型由slim提供，可以在这里下载。将其下载并放在data/imagenet_weights文件夹下。下面将以VGG16模型为例，讲解VGG16如何利用VOC数据集进行训练:建立imagenet_weights文件夹（在tf-f

继CPU下运行demo之后，现在开始使用res101进行voc数据的训练(1)在tf-faster-rcnn根目录下，执行：NET=res101TRAIN_IMDB=voc_2007_trainval+

代码地址：https://github.com/endernewton/tf-faster-rcnn参照博客：https://blog.csdn.net/sinat_33486980/article/details

参考贴1.github源码tf-faster-rcnn，看这个基本就能复现了2.python3+Tensorflow+FasterR-CNN训练自己的数据1.使用的第三方包tensorflowkeraspickle

1、在RPN网络里通过1*1预测anchors的偏移(rpn_bbox_pred)；2、在RPN网络里self._proposal_layer()—>proposal_layer_tf—>bbox_transform_inv_tf(anchors,rpn_bbox_pred)来预测anchors的坐标；3、还是在RPN网络里self._anchor_target_layer()—>anchor_t

fasterrcnn实战系统：Ubuntu18.04显卡：GeForceGTX1080环境：Python3.6+TensorFlow-gpu1.2+Cuda9.0+Cudnnv7.1.4使用代码：[tf-faster-rcnn

文件的修改在源码中resnet已经给出，但是其中cfg.TRAIN在config中并不存在，针对该问题，直接简单粗暴解决参考的config文件链接(https://github.com/endernewton/tf-faster-rcnn

在tf-faster-rcnn/lib/setup.py的第130行，2080ti对应的是sm_75。

系统配置我所使用的环境总体来说为：Ubuntu18.04cuda9.0cudnn7.5.0python3.6.7tensorflow1.10.0gcc4.8.5(tf-faster-rcnn不支持6以上版本的

classpascal_voc(imdb):def__init__(self,image_set,year,use_diff=False):name='voc_'+year+'_'+image_setifuse_diff:name+='_diff'imdb.__init__(self,name)self._year=yearself._image_set=image_setself._devkit

因使用了github上的endernewton/tf-faster-rcnn代码换机器编译时出现“fatalerror:Python.h:Nosuchfileordirectory”问题。反复出错。

代码参考：gitclonehttps://github.com/endernewton/tf-faster-rcnn.git训练过程参考：https://blog.csdn.net/yaoqi_isee/article/details/79254574整个过程步骤：准备数据，数据格式转化为VOC数据，代码修改训练过程：准备数据：这里以imagenet的数据为例，选择训练枪支这个物品（imagene

tf-faster-rcnncodedetailstf-faster-rcnn生成anchors，首先生成一个baseanchor，然后以baseanchor为基础，在原图像中移动，生成原图像中的anchors。由于原文中提到过：WealsonotethatforZFandVGGnets,thetotalstrideonthelastconvlayeris16pixelsonthere-scale

github源码地址：https://github.com/endernewton/tf-faster-rcnn阅读源码时应该先找出主干的函数，整理出框架，然后再依据需要去细读各个函数的功能。

近期利用tf-faster-rcnn跑自己的数据集.测试检测效果.训练部分已经跑通,见博客:链接.现在进行测试时出现错误.想要进行Debug,但是由于它是运行的脚本文件进行的测试,无法直接运行某个py文件

相关依赖：cython、opencv-python、easydict三个库下载tf-faster-rcnn包、链接coco数据库以及预训练模型这些问题应该都不大，对着教程步骤来即

参考代码地址：https://github.com/endernewton/tf-faster-rcnn论文地址：https://arxiv.org/pdf/150

ubuntu16.04Python3.7.6tensorflow-1.13.1-gpu问题预览FileNotFoundError:[Errno2]Nosuchfileordirectory:‘/home/heisenberg/tf-faster-rcnn

/tf-faster-rcnn目录:├──data//数据目录主要保存一些数据集比如VOC2007、coco等│├──cache//保存一些数据集的训练集和测试集的proposals,比如voc_2007

1.制作数据集的工具我利用数据集标注工具是精灵标注助手，我认为很好用。奉劝一句标注数据集时不要随便找人给你标，如果他没有用心给你标注，你在后面训练会出现很多问题。在一开始标注数据集的时候不要一下子给他标注完，先标注几十张图片，然后用在你的网络里，看看有没有错误，如果没有问题就按这种方式标，如果有，再找出原因，在后面标注的过程中注意。2.仿照VOC2007制作数据解压VOC2007数据集后可以看到V

windows10上汇编tf-faster-rcnn代码地址：https://github.com/endernewton/tf-faster-rcnnwindows汇编issues：https://github.com

最近在看tf-faster-rcnn的代码，看到了VGG16网络的定义中使用到了slim这个模块，如下图所示，因此百度了一下slim这个模块，下面的内容是基于一些博客按照自己的思路整理的，便于理解和日后查用

在使用https://github.com/endernewton/tf-faster-rcnn源码里的test_net.py保存测试结果的时候出现了一下错误通过定位错误位置找到具体位置：ifnotos.path.isfile

__version__1.1.0因此卸载并安装指定版本Tensorflow:pipinstall-Itensorflow==1.2.1安装：1、下载tf-faster-rcnn代码：gitclonehttps

tf-faster-rcnn源码解析shellscripts之前是用的fasterrcnn原作者caffe版本的源码，因为一直换服务器，每次都编译一遍caffe着实麻烦，转战tensorflow版本的fasterrcnn

原代码仓库链接：https://github.com/endernewton/tf-faster-rcnn修改后的代码仓库：https://github.com/Rhapso/tf-faster-rcnn

1.一定要使用这个源码https://github.com/endernewton/tf-faster-rcnn/issues/3352.编译Cypthon模块转自https://github.com/

下面主要针对https://github.com/endernewton/tf-faster-rcnn工程，作者写的很好，但是对于我这种常识比较少的小白还是会遇到很多问题，所有都是从网上一点点找到的，整理在下面

目录运行代码代码分析运行代码原作者的代码实现py-faster-rcnn，用的框架是caffe，由于对caffe不熟悉，所以在github上找了一个tensorflow版本的代码实现，地址是tf-faster-rcnn

一.理解fast-rcnn到faster-rcnn的结构如果不理解faster-rcnn的结构就去看代码是不可能看懂的，faster-rcnn是在fast-rcnn的基础上改进的。那么我们就先从fast-rcnn开始(文字是跟着图片描述的)1.选择性搜索SelectiveSearch（SS）在图片中获得大约2000个候选框，使用的方法是SelectiveSearch（SS）(RegionPropo

在尝试跑通tf-Faster-RCNN的时候，遇到了这个问题。

在开始之前需要部署Faster-RCNNTensorFlow版本，我本人是参考这篇博客的，在此感谢博主，但是用博主的方式在运行自己的数据集时并未成功，捣鼓几时，用以下步骤完成了tf-faster-rcnn

使用kaist数据集训练tf-faster-rcnn首先是修改pascal_voc.py,新建自己的kaist_rgb.pypacal_voc的数据格式很麻烦，annotation是xml格式，自己的数据一般都是

这是因为没有在tf-faster-rcnn/lib路径下执行make导致的。

１．将自己的数据集的文件名统一修改为pascalvoc的命名格式：代码名称：xml_node.py#coding:utf-8importosimportos.pathimportxml.etree.ElementTreeasETfromxml.etree.ElementTreeimportElementfromw3lib.htmlimportremove_tagsfindpath='/media/

参考源代码GitHub：https://github.com/endernewton/tf-faster-rcnn环境：VirtualBox6.0+Ubuntu16.0Anaconda3-2018-Linux

模型对数据进行测试(评价模型的mAP指数)4.用VGG16预训练模型对VOC数据集进行训练并测试5.训练自己标注的数据集1.环境塔建复现地址：https://github.com/endernewton/tf-faster-rcnn

+Tensorflow+FasterR-CNN在ubuntu下训练数据，进行表面缺陷检测(一)前期准备0.下载faster-rcnn源码：https://github.com/endernewton/tf-faster-rcnn

目录tf-faster-rcnn指南（一）——序言tf-faster-rcnn指南（二）——平台搭建tf-faster-rcnn指南（三）——训练模型tf-faster-rcnn指南（四）——制作PASCALVOC2007

环境：Linux系统Python3.5Tensorflow-gpu1.4.0TITANXptf-faster-rcnn此篇文章主要记录怎样快速使用tf-faster-rcnn训练自己的数据集，其他的问题可参考其他博客

目录_build_network_anchor_component_region_proposal_crop_pool_layer_region_classificationloss训练训练自己的数据參考自：详细的FasterR-CNN源码解析之proposal_layer和proposal_target_layer源码解析详细的FasterR-CNN源码解析之RPN源码解析Tensorflow版

/zd_nupt/article/details/77508083endernewton的Tensorflow版FasterRCNN代码:https://github.com/endernewton/tf-faster-rcnn

在前两篇博客中我们分别配置了环境和进行了demo的测试,接下来我们训练自己的图像数据并进行检测.(1)制作数据集我们采用VOC2007的数据模板,进行数据制作VOC2007数据文件图:VOC2007├──Annotations#图像标签文件,是.xml格式├──ImageSets│├──Layout│├──Main#训练和测试用到的数据文件│└──Segmentation└──JPEGImages

FasterR-CNN源码：https://github.com/endernewton/tf-faster-rcnn该源码是我试过几个后才成功的一个，不过按教程编译该源码过程同样遇到不少问题，但我都还没放弃

继CPU下运行demo之后，现在开始使用res101进行voc数据的训练(1)在tf-faster-rcnn根目录下，执行：NET=res101TRAIN_IMDB=voc_2007_trainval+

下载项目gitclonehttps://github.com/endernewton/tf-faster-rcnn.git编译,配置相应的运行环境安装Cpython(这里相应的模块需要根据个人平时的使用下载，有很多的本人电脑已经存在，便没有一一列举出来)sudoapt-getinstallcpython修改项目，改为cpu运行【1】打开lib->model->config.py,查看第236行(本

部署Faster-RCNNTensorFlow版本创建Anaconda环境Conda命令创建新环境Conda安装所需包gcc降级下载tf-faster-rcnn和数据集克隆代码根据你的显卡更新setup

importosimportos.pathasospimportnumpyasnp#`pipinstalleasydict`ifyoudon'thaveitfromeasydictimportEasyDictasedict__C=edict()#Consumerscangetconfigby:#在其他文件使用config要加的命令，例子见train_net.py#fromfast_rcnn_con